Problemas de Optimizacin

Convexa

(*) Basado en Boyd y Vandenberghe. Convex Optimization

http://www.stanford.edu/~boyd/cvxbook/

Forma estndar de un problema de

optimizacin convexa
Sean f0,..,fm funciones convexas

Diferencias con respecto al problema general

Funcin objetivo debe ser convexa

Las restricciones con desigualdad deben ser

convexas

Las restricciones con igualdad deben ser afines

2

Conjunto factible

El conjunto factible de un problema convexo es

la interseccin de (m+1) dominios convexos

y p hiperplanos; por lo tanto es convexo.

Problema de maximizacin concavo

El problema

es equivalente al problema de minimizacin de -f0

cuando f0 es concava.
Todos los resultados sobre el problema de
minimizacin convexo de f0 se extienden a este
problema.
4

Mnimo local = Mnimo global

Por la convexidad de f0 se obtiene adems
lo cual contradice el que x sea un mnimo local.
Por lo tanto,
En un problema convexo,
todo mnimo local es un mnimo global.
6

Criterio de optimalidad
Supongamos f0 de un problema de optimizacin
convexo diferenciable, entonces
Si X es el conjunto factible, entonces x es ptima
si y solo si xX, y para todo yX se cumple
(*)
Si f0(x)0 entonces el vector -f0(x) define un
hiperplano de soporte en el punto x.
7

Problemas sin restricciones

Si el problema no tiene restricciones, la condicin (*) se
reduce a
esto porque siendo X abierto, existe una esfera B(x,R)
centrada en x, tal que para todo yB(x,R), 'y' es factible.
Tmese por ejemplo
entonces al reemplazar en (*)
y esto solo es mayor o igual a cero si f0(x)=0
8

El problema de optimizacin
cuadrtico sin restricciones
El problema de minimizar la funcin
cuando PSn+, es convexo y la condicin
necesaria y suficiente para su optimalidad es

para cuya solucin se pueden dar varios casos...

9

Problemas con restricciones de

igualdad
En el caso de tener un problema de la forma

La condicin de optimalidad para un x factible

(Ax=b)
y debe cumplirse para todo y tal que Ay=b. En
otras palabras y=x+v para un vN(A).
11

Restricciones de igualdad - 2
La condicin de optimalidad se puede expresar
adems, si una una funcin lineal es no negativa
en un subespacio, entonces debe ser cero
usando el hecho que
se llega a
es decir, existe vp tal que
que es la condicin de optimalidad de Lagrange.

12

Minimizacin sobre el
octante no-negativo
Dado un problema de la forma

la condicin de optimalidad es
sin embargo el trmino
no est acotado inferiormente a menos que
en cuyo caso su valor mnimo es cero.

13

octante no-negativo - 2
En este caso la condicin de optimalidad se reduce a
pero
por lo que la solucin debe cumplir
o expandiendo el producto:

es decir, las componentes no nulas de f0(x) y x son

complementarias.
14

Complementary Slackness

Optimizacin Cuasi-convexa
Un problema de optimizacin de la forma

es cuasi-convexo cuando las restricciones de

desigualdad f1,..,fm son convexas y la funcin
objetivo f0 es quasi-convexa.
Estos problemas pueden tener ptimos locales.
La condicin de optimalidad (*) no es aplicable.
15

Optimizacin Cuasi-convexa
En su lugar se tiene la siguiente condicin: Para
xX (el conjunto factible)

Es solo condicin suficiente

Requiere desigualdad estricta

16

Problemas de optimizacin lineal

Un problema de optimizacin lineal (LP) tiene la
forma

con

17

Interpretacin geomtrica de
problemas LP

Las restricciones de desigualdad corresponden

a semi-espacios en n.

Las restricciones de igualdad son hiper-planos.

El espacio factible es la interseccin, y por

tanto es convexo.

La funcin objetivo es una funcin afn y es

convexa.

18

Interpretacin geomtrica de
problemas LP - 2

Los contornos de valor constante de la funcin

objetivo son hiper-planos. El vector c es normal
a todos estos hiperplanos.

(cTx) = c, es decir el vector c es apunta en la

direccin de mximo crecimiento y -c en la
direccin de ms rpido decrecimiento.

El punto ptimo es el punto x* perteneciente a

la regin factible ms lejano en la direccin -c.

19

Forma estndar para LPs

Se dice que un problema LP est en forma
estndar si las nicas restricciones de
desigualdad son la no-negatividad de las
componentes

20

Forma general forma estndar

Se puede transformar un problema LP genrico a
la forma estndar mediante 2 pasos

Toda desigualdad se puede transformar en

igualdad aadiendo una variable nueva: "Slack
variables".

21

Forma general forma estndar

Las variables que no tienen restricciones de nonegatividad, se pueden expresar como

diferencias de 2 variables positivas:

quedando el problema

22

Ejemplo

Llevar a forma estndar el siguiente problema:

23